DEEP LEARNING DENGAN METODE LSTM (LONG SHORT-TERM MEMORY) UNTUK PEMODELAN KELAKUAN DINAMIK SISTEM DISTILASI MENGGUNAKAN REAL OPERATING DATA

William Kurniawan, Budi Husodo Bisowarno

Abstract


Kemurnian produk tidak dapat diukur secara on-line dan terdapat time delay dalam pengukuran kemurnian secara offline dan tidak kontinu dengan hasil analisis kemurnian dari laboratorium. Kontrol berbasis variabel inferensial merupakan alternatif untuk memprediksi dan mengendalikan kemurnian produk dengan variabel kondisi operasi yang tepat secara real-time. Pabrik memiliki data kondisi operasi (input) serta data kemurnian produk (output) berasal dari kondisi nyata pabrik dapat digunakan untuk pembangunan model deep learning. Penelitian ini dibagi menjadi tiga tahapan besar, yaitu pertama adalah tahapan persiapan data untuk menentukan variabel paling sensitif dalam memprediksi kemurnian produk menggunakan metode korelasi pearson yaitu temperatur upper column dan process knowledge yaitu pressure top column. Tahapan kedua adalah penyusunan algoritma deep learning menggunakan metode LSTM (long short-term memory) menggunakan bantuan program python.  Optimizer yang digunakan untuk melatih data adalah optimizer SGD (stochastic gradient descent). Data yang digunakan untuk melatih dan melakukan validasi model deep learning adalah data dari 2018 hingga semester pertama tahun 2019 dengan rasio training set:test data = 70:30. Tahapan ketiga adalah melatih model dan validasi model, memprediksi hasil, serta melakukan evaluasi model terhadap data pabrik terhadap set data semester kedua tahun 2019. Hasil dari pelatihan adalah model LSTM dengan nilai RMSE (root mean squared error) sebesar 1,4. Nilai validasi untuk model ini adalah RMSE sebesar 0,6389. Model ini dapat memprediksi set data semester kedua 2019 dengan nilai R2 =0,74 dan RMSE = 0,56.


Keywords


Deep learning, LSTM, Pemodelan proses, Sistem distilasi

Full Text:

PDF

References


Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? -arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247–1250.

Choi, Y., Bhadriaju, B., Cho, H., Lim, J., Han, I. S., Moon, I., Kwon, J. S. Il, & Kim, J. (2023). Data-driven modeling of multimode chemical process: validation with a real-world distillation column. Chemical Engineering Journal, 457.

Esbensen, K. H., & Geladi, P. (2010). Principles of proper validation: use and abuse of re-sampling for validation. Journal of Chemometrics, 24(3–4), 168–187.

Ge, Z., Song, Z., Ding, S. X., & Huang, B. (2017). Data mining and analytics in the process industry: the role of machine learning. IEEE Access, 5, 20590–20616.

Karthikeyan, A., & Priyakumar, D. (2022). Artificial intelligence: machine learning for chemical sciences. Journal of Chemical Sciences.

Kwon, H., Oh, K. C., Choi, Y., Chung, Y. G., & Kim, J. (2021). Development and application of machine learning-based prediction model for distillation column. International Journal of Intelligent Systems, 36(5), 1970–1997.

Lee, J., Hong, S., Cho, H., Lyu, B., Kim, M., Kim, J., & Moon, I. (2021). Machine learning-based energy optimization for on-site SMR hydrogen production. Energy Conversion and Management, 244.

Mowbray, M., Vallerio, M., Perez-Galvan, C., Zhang, D., Del Rio Chanona, A., & Navarro-Brull, F. J. (2022). Industrial data science - A review of machine learning applications for chemical and process industries. In Reaction Chemistry and Engineering (Vol. 7, Issue 7, pp. 1471–1509). Royal Society of Chemistry.

Netrapalli, P. (2019). Stochastic gradient descent and its variants in machine learning. In Journal of the Indian Institute of Science (Vol. 99, Issue 2, pp. 201–213). Springer International Publishing.

Oda, Y., Kawamura, Y., & Fujishima, M. (2012). Energy consumption reduction by machining process improvement. Procedia CIRP, 4, 120–124.

Osuolale, F. N., & Zhang, J. (2016). Energy efficiency optimisation for distillation column using artificial neural network models. Energy, 106, 562–578.

Park, H., Kwon, H., Cho, H., & Kim, J. (2022). A framework for energy optimization of distillation process using machine learning-based predictive model. Energy Science and Engineering, 10(6), 1913–1924.

Sharma, S., Sharma, S., & Athaiya, A. (2020). Activation functions in neural networks. In International Journal of Engineering Applied Sciences and Technology (Vol. 4).

Shewalkar, A. N. (2018). Comparison of RNN, LSTM and GRU on speech recognition data.




DOI: http://dx.doi.org/10.62870/jip.v13i1.22856

Refbacks

  • There are currently no refbacks.


Jurnal integrasi Proses (JIP) has been indexed by:

                                         

 

 


This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.